В статье представлен метод RAPTORGraph, основанный на бета-вариационном автокодировщике с графовым кодировщиком путей, предназначенный для каузального открытия в экспериментах Perturb-seq. Метод решает проблему «разлива» вмешательств (intervention spillover) в замкнутом мире, где цели вмешательства известны заранее, что является критической проблемой для существующих методов, использующих плотные энкодеры. В отличие от подходов, накладывающих подтвержденную предвзятость через заранее curated биологические пути, RAPTORGraph явно моделирует сложные взаимодействия «ген-ген» внутри обучаемых путей, позволяя выявлять новые сигналы за пределами аннотированных баз данных. Модель использует предварительное условие (preconditioning) для изоляции влияния возмущенных генов, обеспечивая чистые латентные вмешательства, необходимые для идентифицируемого каузального открытия. Обучение проводится на данных, предварительно выровненных с помощью оптимального транспорта, что гарантирует корректное отображение между контрольными и возмущенными образцами и стабилизирует латентные представления. Эксперименты демонстрируют, что RAPTORGraph превосходит существующие методы в анализе непредвиденных возмущений, особенно в выявлении неаддитивных взаимодействий. При этом модель сохраняет конкурентоспособные результаты по объективным метрикам, таким как среднеквадратичная ошибка и максимальное расхождение средних. Предоставленный исходный код доступен на GitHub, что способствует воспроизводимости исследований в области вычислительной биологии и машинного обучения.